Konenäkö ja neuroverkkoteknologia roskanpoimintaroboteissa

Abstract

The purpose of this bachelor thesis was to draw attention to the problem of littering and to present solutions that technology can provide to solve it.

Several scientific articles, organizations’ Internet pages, Finnish law, public information about enterprises’ and study institutions’ hi-tech projects, programming forums, and a Udemy study course were used as literature sources for this bachelor thesis. The theory part aimed to show why littering is a problem in urban areas even though it might not lead to an ecological disaster. Different technological solutions, namely robots, were presented as a way to effectively remove litter from the environment. The theory part also features an observation of waste detection datasets. Three datasets were presented in depth as potentially suitable for future study projects. The practical part aimed at building an own waste classifier and, through this, learning how to use neural networks. First, the basics of neural networks were considered. Second, the process of installing necessary equipment and software was described, and then three main programs were presented. The project used another study project as its basis for the source code.

The result of the practical part of the study is a simple self-built waste classifier that recognizes one kind of waste. The process of deep learning of the model brought average accuracy results. The picture material for deep learning was retrieved from the Trashnet dataset. The study used only CNN networks and a rather small dataset (about 900 pictures). No experiments about changing the model’s hyperparameters in order to achieve better accuracy were made. These and other possible directions of expanding the project are contemplated in the discussion part.

Tämän opinnäytetyön tarkoitus on kiinnittää huomiota roskaamisen ongelmaan ja teknologian mahdollisuuksiin sen ratkaisemiseksi. Teoriaosuudessa avataan, miksi roskaaminen on kaupungissa ongelma, vaikka se ei johtaisi ekologiseen katastrofiin. Esitetään olemassa olevia teknologian ratkaisuja roskien tehokkaaseen poistamiseen ympäristöstä, erilaisia roskanpoiminta robottimalleja. Myös tehdään katsaus roskalajittelu dataseteistä ja esitetään kolme datasettiä, jotka tekijän mielestä tulevaisuudessa voisivat sopia opiskeluprojekteihin. Lähteinä tiedon hankintaan käytetään tiedelehtien artikkeleita, organisaatioiden internetsivustoja, Suomen lakia, julkista tietoa hi-tech-yritysten ja korkeakoulujen projekteista.

Sen jälkeen tutustutaan neuroverkkoteknologian toimintaperiaatteisiin ja toteutusosuudella luodaan yksinkertainen roskaluokitin, joka osaa erottaa yhden roskalajin muusta roskasta. Projekti perustuu toiseen opiskeluprojektiin ja käyttää sen lähdekoodia runkona tämän työn koodiin.

Roskan kuvia saatiin Trashnet-nimisestä datasetistä. Roskaluokittimen kanssa saatiin keskivertainen tarkkuuden tulos treenaamisen jälkeen.

Työ rajoittuu ainoastaan CNN-verkkojen käyttöön ja pieneen datasettiin (noin 900 kuvaa). Työssä ei lähdetä kokeilemaan mallin hyperparametrien muuntelua parempaa tulosta varten.

Näitä ja muita työn mahdollisia kehityssuuntia käsitellään pohdinnassa. Projekti opettaa rakentamaan ja käyttämään neuroverkkomalleja.